Prediksi Loyalitas Pelanggan Menggunakan Jaringan Saraf Tiruan Metode Backpropagasi

Maulana Ardhiansyah; Anis Mirza; Dedin Fathudin

doi:10.36309/goi.v31i1.344

Prediksi Loyalitas Pelanggan Menggunakan Jaringan Saraf Tiruan Metode Backpropagasi

https://doi.org/10.36309/goi.v31i1.344
Maulana Ardhiansyah^(1*)

, Anis Mirza⁽²⁾, Dedin Fathudin⁽³⁾

Affiliation

(1) Universitas Pamulang
(2) Universitas Pamulang
(3) Universitas Pamulang
(*) Corresponding Author

How to Cite

Cite this Item

Abstract

Prediksi loyalitas pelanggan penting dalam menjaga dan meningkatkan hubungan dengan pelanggan. Dengan mengidentifikasi pelanggan yang berpotensi loyal atau berisiko berpindah, perusahaan dapat mengambil langkah proaktif untuk menjaga dan memperkuat keterlibatan pelanggan. Dalam industri telekomunikasi, tingkat churn pelanggan cukup tinggi. Meskipun ada biaya yang terkait dengan pengelolaan pelanggan yang sudah ada, mendapatkan pelanggan baru bisa jadi lebih mahal. Churn mengacu pada penentuan konsumen mana yang paling mungkin membatalkan langganan layanan berdasarkan cara mereka menggunakannya. Salah satu cara yang dapat dilakukan untuk memprediksi kecenderungan pelanggan guna mengurangi kecenderungan untuk berhenti atau berpindah penggunaan dari suatu produk/layanan adalah dengan program pengembangan loyalitas yang efektif. Namun, proses ini masih belum optimal karena hanya menggunakan analisis konvensional tanpa metode atau algoritma khusus. Neural Network merupakan model matematika yang terinspirasi dari cara kerja jaringan saraf di otak manusia. Model ini merupakan salah satu komponen inti dalam machine learning dan kecerdasan buatan, yang terdiri dari sejumlah besar elemen pemrosesan informasi (neuron) yang saling berhubungan dan bekerja sama untuk memecahkan suatu masalah tertentu, yang umumnya merupakan masalah klasifikasi atau prediksi. Neural Network memiliki beberapa kelebihan dibandingkan metode perhitungan lainnya, yaitu kemampuan untuk memperoleh pengetahuan bahkan dalam kondisi interferensi dan ketidakpastian. Hal ini dikarenakan Neural Network dapat melakukan generalisasi, abstraksi, dan ekstraksi sifat-sifat statistik. Dalam penelitian ini, kami akan menerapkan jaringan saraf tiruan dengan metode backpropagation untuk memprediksi loyalitas pelanggan, mengurangi tingkat churn pada industri telekomunikasi, dan mengoptimalkan program pengembangan loyalitas pelanggan yang efektif.

Keywords

Loyalitas Pelanggan, Backpropagasi, Churn

Full Text:

PDF HAL. 161-170

References

Maulana Ardhiansyah, Nurjaya, and Muhammad Indra Rizaldi, Data Mining Dan Implementasinya Untuk Klasifikasi Loyalitas Pelanggan. Tangerang Selatan: Pascal Books, 2022.

Dita AP et al., "Application of Eisenhower Matrix and Analytic Hierarchy Process for Decision Support System with the SAW Method," International Journal of Multidisciplinary Research and Growth Evaluation, vol. 2, no. 3, pp. 147-152, 2021. [Online]. https://www.allmultidisciplinaryjournal.com/uploads/archives/60AFA1F15488D1622122993.pdf

Alanoud Aldalan and Abdulaziz Almaleh, "Customer Churn Prediction Using Four Machine Learning Algorithms Integrating Feature Selection and Normalization in the Telecom Sector," International Journal of Electronics and Communication Engineering, vol. 17, no. 3, pp. 76-83, March 2023. [Online]. https://publications.waset.org/10012996/customer-churn-prediction-using-four-machine-learning-algorithms-integrating-feature-selection-and-normalization-in-the-telecom-sector

Riri Cornellia, Anggi Oktaviani, and Deny Wibisono, "Peningkatan Loyalitas Pelanggan pada PT Home Center Indonesia Menggunakan Metode Algoritma C4.5 dan Metode CSI (Customer Satisfaction Index)," NUCLEUS, vol. 3, no. 1, pp. 1-9, Mei 2022.

Noviyanti Hulu, Amril, and Hayunimah Siregar, "The Effect of Price and Location on Purchasing Decisions at the Swalayan Maju Bersama MMTC Medan," International Journal of Trend in Scientific Research and Development, vol. 3, no. 6, pp. 9-16, Oktober 2019.

H. N. Irmanda, R. Astriratma, and Afrizal, "Perbandingan Metode Jaringan Syaraf Tiruan dan Pohon Keputusan untuk Prediksi Churn," Jurnal Sistem Informasi, vol. 11, no. 2, pp. 1817–1825, 2019.

Siti Ummi Arfah Nasution and Siti Wardah Pratidina Nasution, "The Determinants Factor on Repurchase Intentions: A Study from Developing Economies," International Journal of Management Science and Application, vol. 2, no. 2, pp. 87-107, 2023.

Ari Yulianti, "Pengaruh Kualitas Produk dan After Sales Service terhadap Kepuasaan dan Dampaknya pada Loyalitas Konsumen PT. Frismed Hoslab Indonesia," Jurnal Ekobis Dewantara, vol. 1, no. 7, pp. 1-8, Juli 2018.

Roslaeli Elsi, "Analisis Pengaruh Kualitas Pelayanan, Komunikasi, dan Kepuasan terhadap Loyalitas Pengguna Jasa Keagenan Kapal (Studi Kasus pada PT. Djakarta Lloyd (Persero) Cabang Semarang)," Program Studi S1 Transportasi, AMNI Perpustakaan Semarang, Skripsi 2020. [Online]. http://repository.unimar-amni.ac.id/3061/

Aditya Allaam, "Prediksi Churn Konsumen Menggunakan Algoritma Random Forest dengan Fuzzy C-Means untuk Meningkatkan Produktivitas Penjualan Bisnis," Fakultas Sains dan Teknologi, UIN Syarif Hidayatullah Jakarta, Skripsi 2023. [Online]. https://repository.uinjkt.ac.id/dspace/handle/123456789/70541

Hemlata Jain, Ajay Khunteta, and Sumit Srivastava, "Churn Prediction in Telecommunication using Logistic Regression and Logit Boost," in International Conference on Computational Intelligence and Data Science (ICCIDS 2019), vol. 67, Chennai, India, 2020, pp. 101-112.

T. Husain, "FIFA World Cup 2022 Prediction and Actual Results with Logistic Regression Algorithm: An Evaluation," European Journal of Applied Science, Engineering and Technology, vol. 3, no. 1, pp. 189-199, January-February 2025.

Manal Loukili, Fayçal Messaoudi, and Mohammed El Ghazi, "Supervised Learning Algorithms for Predicting Customer Churn with Hyperparameter Optimization," International Journal of Advances in Soft Computing & Its Applications, vol. 14, no. 3, pp. 49-63, November 2022.

Aldi Nurzahputra, Afifah Ratna Safitri, and Much Aziz Muslim, "Klasifikasi Pelanggan pada Customer Churn Prediction Menggunakan Decision Tree," in Prosiding Seminar Nasional Matematika X 2016, Universitas Negeri Semarang (UNNES), February 2017, pp. 717-722.

Dhiraj Kumar. (2025, April) Implementing Customer Segmentation Using Machine Learning [Beginners Guide]. [Online]. https://neptune.ai/blog/customer-segmentation-using-machine-learning

T. Dwi Ary Widhianingsih, "Klasifikasi Data Berdimensi Tinggi dengan Metode Ensemble Berbasis Regresi Logistik dalam Permasalahan Drug Discovery," Institut Teknologi Sepuluh Nopember, Surabaya, Thesis 2018. [Online]. https://repository.its.ac.id/58120/1/06211650010024-Master_Thesis.pdf

Ade Rizky Febryananda. (2020) Mengenal Algoritma Klasifikasi K-Nearest Neighbor dalam Analisis Sentimen pada Data Ulasan suatu Produk. [Online]. https://lab_adrk.ub.ac.id/id/mengenal-algoritma-klasifikasi-k-nearest-neighbor-dalam-analisis-sentimen-pada-data-ulasan-suatu-produk/

Nurleli, "Penerapan Metode Support Vector Machine (SVM) untuk Klasifikasi Uang Kuliah Tunggal di Universitas Islam Negeri Sumatera Utara," UIN Sumatera Utara, Medan, Skripsi 2023. [Online]. http://repository.uinsu.ac.id/20846/

Intan Nadyma Arista et al., "Analisis Keinginan dan Kepuasan Konsumen terhadap Produk Inovasi Mochi Crackers dengan Menggunakan Pendekatan CSI dan IPA," Jurnal Rimba : Riset Ilmu manajemen Bisnis dan Akuntansi, vol. 3, no. 1, pp. 01-16, Desember 2024.

Gyansetu Team. (2025, May) Decision Trees Advantages and Disadvantages. [Online]. https://www.gyansetu.in/blog/decision-trees-advantages-and-disadvantages/

Ihda Innar Ridho, Galih Mahalisa, Dwi Retno Sari, and Ihsanul Fikri, "Metode Neural Network untuk Penentuan Akurasi Prediksi Harga Rumah," Technologia: Jurnal Ilmiah, vol. 13, no. 1, pp. 56-58, January 2022.

Putu Kussa Laksana Utama, "Implementasi Metode Neural Network pada Perancangan Pengenalan Pola Plat Nomor Kendaraan," in Proceedings Konferensi Nasional Sistem dan Informatika (KNS&I), 2015, Denpasar, Bali, 2015, pp. 921-926.

Fabio Nelli, Python data analytics: Data analysis and science using PANDAs, Matplotlib and the Python Programming Language. New York: Apress, 2015.

Abraham Situmorang, Arifin, Ilpan Rusilpan, and Christina Juliane, "Analisa dan Penerapan Metode Algoritma K-Means Clustering untuk Mengidentifikasi Rekomendasi Kategori Baru pada List Movie IMDb," J. Media Inform. Budidarma, vol. 6, no. 4, pp. 2171-2179, Oktober 2022.

Nur Ariesanto Ramdhan, "Penerapan Metode Neural Network untuk Prediksi Nilai Ujian Nasional (Study Kasus di SMK Muhammadiyah Slawi)," Syntax Literate: Jurnal Ilmiah Indonesia, vol. 4, no. 4, pp. 118-130, April 2019.

Henny Dwi Bhakti, "Aplikasi Artificial Neural Network (ANN) untuk Memprediksi Masa Studi Mahasiswa Program Studi Teknik Informatika Universitas Muhammadiyah Gresik," Jurnal Eksplora Informatika, vol. 9, no. 1, pp. 88-95, September 2019.

S. Kusumadewi, Membangun Jaringan Syaraf Tiruan Menggunakan MATLAB & Excel Link. Yogyakarta: Graha Ilmu. Yogyakarta, Graha: Ilmu, 2004.

David E. Rumelhart, Geoffrey E. Hinton, and Ronald J. Williams, "Learning Representations by Back-propagating Errors," Nature, vol. 323, no. 6088, pp. 533-536, October 1986.

Jong Jek Siang, Jaringan Syaraf Tiruan Pemrograman Menggunakan Matlab. Yogyakarta, Penerbit Andi, 2005.